【基于多域特征的脑电信号特征提取和分类分析5200字】

-)其中，分别代表了各个单一特征，为单一特征向量的平均值，为单一特征向量的标准差，最后将特征输入分类器进行分类。图4.4多域特征提取流程图Fig.4.4Flowchartofdomainfeatureextraction实验与结果分析特征提取与结果分析本文采用的是数据集1进行验证。数据集1中有想象左、右上肢弯曲实验280次，如第二章介绍，本文使用了C3和C4通道来实验验证。由于每次实验的前3s为运动想象准备阶段，故舍弃，只保留3-8s的脑电信号。通过提取运动想象脑电信号中的特征进行左、右上肢弯曲动作的识别。本文以单次实验为例介绍特征提取过程，具体过程如下：每个通道的脑电数据经过VMD分解，分解层数如第二章介绍，依旧选择为5，对分解得到的5个IMF模态分量进行希尔伯特变换，然后求取瞬时能量均值。故C3和C4通道会分别得到5个瞬时能量均值特征，将C3和C4的5个特征串联在一起，就构造了能够表征该次动作的10个特征，所有实验都如此操作，从而得到瞬时能量均值的特征矩阵为280×10。同理，可以得到对每次实验的IMF分量求取峰度、平均功率、分形维数和样本熵值。从而得到相应方法的特征矩阵，矩阵大小为280×10。其中，计算每个模态的平均功率时，本文选用了welch法，使用汉明窗对信号进行截断；计算分形维数时，本文使用的是盒维数刻画；计算样本熵时，参数设定为2，阈值设定为0.2std。当基于共空间模式（CSP）提取脑电特征时，将C3和C4通道的数据并列输入，进行CSP运算得到一个投影矩阵，即空域滤波器，经此滤波器滤波后，本文以128个采样点（1s）为一段时间序列，求取均方根作为特征值，按此方法操作，得到数据集1的空域特征矩阵CSP6为280×10。经过上面的介绍，本文已经完成了运动想象脑电信号的特征提取。为了研究提取的这些特征是否具有区分左、右上肢弯曲动作的能力，本文任意选择1位受试者的某次实验，绘制出各个特征的缺口箱型图，如图4.5所示。图4.5单一特征的缺口箱型图Fig.4.5Notchedboxdiagramofasinglefeature其中，横坐标为左、右上肢弯曲两类动作，纵坐标为特征值，可以看到不同类别的箱型图缺口有差异，说明本文所选择的特征能够将表征左、右上肢弯曲动作，该特征是有效的，能够实现对左右上肢弯曲动作的识别。本文也尝试提取了时域特征中的偏度特征值，操作方法如上所述，并同样绘制了缺口箱型图，如图4.6所示，可以看到左、右上肢动作的箱型图缺口没有差异，都维持再10附近，证明该特征是无效的，没有区分能力，所以舍弃。图4.6偏度的缺口箱型图Fig.4.6Skewnessofnotchedboxdiagram经过上述实验，本文已经验证了单一特征的有效性，可以起到区分左、右上肢弯曲动作的作用。而由于单一角度的特征不能有效体现出信号特点的全面性，也不足以描述EEG中的丰富信息。本文提出将上述各域的特征向量组合在一起，作为最终的特征向量，矩阵大小为280×60。绘制最终的特征向量的缺口箱型图，如图4.7所示。可以看到箱型图缺口有很大差异，具有区分左、右上肢弯曲动作的作用，且用于区分各类别的特征属性得到增强。图4.7多域特征组合的缺口箱型图Fig.4.7Anotchedboxdiagramwithmulti-domainfeaturecombinations分类与结果分析完成了特征提取后，就要进行脑电信号特征分类。本文采用五折交叉验证，将特征向量随机分为224组训练集，56组测试集，输入到RBF支持向量机（SVM）中进行分类。支持向量机分类算法的实现是依靠Libsvm工具箱，该软件支持多种操作环境、运行简单、易于使用且能快速有效的进行分类识别与回归分析。为了验证本文所提方法的有效性，首先进行单一特征与多域特征组合的分类实验，得到的平均正确率如表4.1所示。表4.1单一特征与多域特征的分类结果（平均正确率，%）Table4.1Classificationresultsofsinglefeatureandmulti-domainfeature(averageaccuracy%)特征向量分类正确率87.1480.31Mnp383.5486.6579.8886.4994.42利用不同的单一特征向量区分左、右上肢弯曲动作时，时域特征表现最好，识别准确率达到87.14%，但是利用多域的结合特征，可以获得94.4%的准确率。这是因为与单一特征相比较，多域的结合特征实现了信号不同特征之间的互补，可以获得更全面的信号表达，进而可以获得更好的识别效果。为了进一步验证本文方法的有效性，本文选择与其他多特征组合的方法进行比较，比较结果如下表所示，其中，所用数据集是一样的，所用通道也是一样的。表4.2不同方法分类结果（平均正确率，%）Table4.2Classificationresultsbydifferentmethods(averageaccuracy%)方法分类器分类准确率MEMD+CSP[36]SVM84.17EEMD+近似熵[38]线性判别分析84.23香农熵+小波熵+样本熵[37]SVM85.71本文方法SVM94.42